2026年8月12日，美国东部时间上午10点17分。纳斯达克在毫无征兆的情况下急速下挫。开盘仅半小时，跌幅已达1.8%。财经媒体迅速寻找原因：通胀超预期？某家企业暴雷？地缘政治新变数？

都不是。

事后调查发现，触发这场下跌的，是一个AI交易模型的"误判"。没有通胀数据，没有企业暴雷，没有地缘危机——触发这一切的，是一个AI模型的"幻觉"。

这正是央行行长们所面对的，一个前所未有问题：当制造风险和预警风险的是同一套算法时，金融稳定的"锚"在哪里？

这个模型的任务是实时监测市场情绪并自动调整仓位。当天上午，一条关于某芯片企业"可能被调查"的传闻出现在社交媒体上，后来被证明是虚假的。AI模型在毫秒级内捕捉到了它，判定"半导体板块风险上升"，随即自动抛售了价值数十亿美元的芯片股。

市场上其他几家大型机构的AI模型，使用了相似的训练数据、语义分析框架、"风险信号"定义。当第一个模型开始抛售时，其他模型几乎同一时间做出相同判断："有人在抛售，说明风险确实在上升。"

一场"算法踩踏"在几分钟内完成。直到人类交易员反应过来、开始买入被错杀的股票，市场才逐渐企稳。

整个过程不到二十分钟，没有造成系统性危机。但所有在场的人脊背发凉：如果这样的"算法误判"发生在一个更脆弱的时刻、一个更大的规模上，后果是什么？

这不是科幻。这是2026年正在发生的现实。

金融稳定是货币治理的底线。传统上，这条底线通过利率工具与宏观审慎监管来守护——监测风险、识别泡沫、在必要时充当"最后贷款人"。

AI正从三个方向同时冲击这条底线。

一是算法交易的"同质化踩踏"。

传统金融市场中，不同交易者有不同策略、不同信息、不同判断，这种"多样性"本身就是稳定器。而AI交易模型让多样性急剧萎缩。

当多家机构使用相似的数据源、相似的算法框架甚至相似的预训练模型时，它们的策略趋于一致。同时，模型之间的"学习传染"——一个模型发现某种策略有效，其他模型迅速模仿。平静时期看起来市场更"有效"，压力时期却变得极其脆弱。

2026年7月美联储一篇学术论文，建立了一个两区域DSGE模型，用参数φ衡量不同算法基金之间预测误差的相关性。核心结论：同质化放大货币政策冲击的传导效应，多样性削弱它。而且在压力状态下，同质化算法的"羊群效应"会变得更加猛烈——区分两种状态的阈值会下降。

这个发现的政策含义极为深远。传统宏观审慎监管限制的是机构规模和集中度——大银行比小银行危险，集中体系比分散的脆弱。但面对算法中介时，一个庞大的非银行金融部门本身并不危险，危险的是他们的算法模型高度相关。监管者限制机构规模，却对模型同质性视而不见，等于监管了错误的变量。规模上限可能迫使幸存者集中在少数使用相似算法架构的平台，这更增加了平台集中的脆弱性。

正确的政策工具是衡量模型多样性的指标——一种跨基金头寸或预测误差相关性的指数。这个工具在基于规模的资本监管中没有任何对应物，需要从零构建。

此时，我们需要重新定义"风险"的含义。AI时代最大的金融稳定风险，可能不是"太大而不能倒"，而是"太像而不散"。

二是AI信贷模型的"顺周期效应"。

传统信贷评估依赖信贷员的主观判断与财务报表的历史数据。效率不高，但有一个隐含优势：人类判断的"模糊性"与"滞后性"，反而缓冲了信贷的顺周期波动。经济下行时，信贷员会谨慎，但不会瞬间收紧。他们会观察、犹豫、给老客户缓冲时间。这种"人的犹豫"无意中起到了逆周期调节的作用。

AI信贷模型没有"犹豫"。

它监测到借款人现金流恶化、行业景气度下降、宏观指标转向，就在毫秒级内调整信用评分、收紧额度甚至提前收贷。如果多家银行使用相似模型，收紧会在同一时间发生——经济下行时同步收紧，加速下滑；过热时同步放宽，助推泡沫。

国际清算银行2026年7月报告警告："AI可能通过信贷渠道放大金融周期，货币政策的逆周期调节更加困难。" 且这种顺周期效应具有隐蔽性：正常时期它表现为更精准的风险定价，看起来是效率提升；只有压力时期才暴露同步收紧的破坏力。而监管者意识到这一点时，可能已经太晚了。

三是AI智能体交易带来的责任真空。

2026年，AI智能体已经在金融领域大规模部署——自主分析市场、自主制定策略、自主执行交易。它们不再是工具，而是"参与者"。

现有金融监管建立在"人类决策、人类担责"的基础上。当AI智能体自主完成一笔交易时，责任在谁？造成巨额亏损，谁来赔偿？算法存在漏洞，谁来修复？

目前，没有法律意义上的正式答案。

英格兰银行副行长Sarah Breeden在2026年6月的演讲中指出，AI Agent可能会轻易碾压金融监管机构，并重塑金融市场运行机制。金融稳定理事会在2026年6月报告中也强调，AI智能体的风险对人类监督构成了独特挑战。

中国走得更快。中国人民银行副行长陆磊在2026年8月的中国支付清算论坛上明确警告：智能体支付不能模糊消费者、从业机构与算法系统之间的责任边界。他指出大模型自主智能体具有"输出随机性、逻辑不够透明"等特征，若盲目赋予交易决策权限，将冲击资金交易的信任基础。

2026年8月24日，中国支付清算协会印发《智能体支付应用自律公约》，要求会员单位在"了解你的客户"（KYC）基础上探索建立"了解你的智能体"（KYA）机制，按高中低风险等级对接入支付链路的智能体实施分级分类管理，自主发起支付交易前须报备并通过安全测试。

这是全球支付行业首次针对AI智能体支付出台的自律规范。当AI Agent成为交易主体，"了解你的客户"已经不够了——你还必须"了解你的算法"。

三个方向的冲击，共同指向一个根本问题：AI时代，金融稳定的"锚"在哪里？

传统上，这个"锚"是央行的"最后贷款人"职能——市场恐慌时注入流动性，机构倒闭时协调救助，系统性风险上升时逆周期调节。

AI正在使这个锚变得不确定。如果风险来自算法，央行能"贷款"给算法吗？如果恐慌来自机器，央行能与机器沟通吗？如果系统性风险来自算法同质化，央行如何监管算法？

我在2026年初一篇研究报告中，提出了一个框架——金融稳定的三层重校准：

监测层。央行不能只监测机构风险，还要监测算法风险。要建立算法注册与报备制度，掌握市场上主要AI模型的类型、策略、数据源及模型间相关性。BIS提出的模型多样性指数应成为核心监测指标之一。

工具层。传统宏观审慎工具——资本充足率、拨备覆盖率、贷款价值比——都是针对机构设计的。在AI模型时代，央行应对同质化的算法策略设立新的监管工具。当金融机构使用 AI信贷模型，应要求AI智能体建立"熔断与回溯机制"、征收同质化税及设置逆周期算法缓冲。

制度层。尽快建立算法问责主体的法律框架。AI智能体的交易行为，必须有明确的法律主体承担责任——开发者、部署者或使用者。算法可以自动执行，但责任不能自动消失。

所有"重校准"都面临一个根本困境：速度。

AI模型的迭代周期是数周，监管规则的制定周期是数月甚至数年。当监管者刚理解一种算法风险时，市场已经出现了新形态。这不是"道高一尺，魔高一丈"——而是"道"与"魔"在不同的时间尺度上演变。

唯一的出路是用AI监管AI——监管者建立自己的AI监测系统，实时跟踪算法行为，自动识别异常模式，动态评估系统性风险。这就是"监管科技"。

"用AI监管AI"本身也有风险：监管者的AI模型可能遭受对抗性攻击或欺骗，也可能存在偏见，更可能被算法俘获。

金融稳定的终极悖论：我们需要AI来监管AI，但AI监管本身也需要被监管。

开头的那场"算法踩踏"，不到二十分钟，没有系统性危机。

它给了我们一个警告。

它警告我们：当算法成为市场主体时，金融稳定的"锚"不再是某个机构、某个工具、某条规则，而是整个系统的多样性与韧性。多样性意味着不同算法、不同策略、不同判断，一些看多一些看空，市场不会因单一冲击崩溃。韧性意味着算法出错时系统能自动纠错，有逆行者买入、有"熔断器"暂停。

而多样性与韧性，恰恰是AI摧毁的东西。当所有算法追求同一个"最优解"时，多样性消失，韧性也随之消失。

这是AI给金融稳定带来的深层挑战：它不是制造新的风险，而是摧毁了旧的稳定机制。